seedance

Seedance 2.0 — 提示词与能力

Seedance 2.0（ByteDance Seed 团队于 2026 年 2 月推出）是一款多模态音视频模型：它可在一次调用中接收文本、图像、音频和视频，并在同一轮生成一段 4–15s 的片段，包含原生同步音频（对话 + 口型同步、音效、环境音、音乐）。

核心认知模型——以下每项决策都以此为依据：Seedance 2.0 是一台由你像电影剧组一样调度的物理与电影摄影模拟器，而不是一个用形容词头脑风暴的情绪板。它能渲染物理交互（“汽车在湿滑的沥青路面上转向时，轮胎冒出烟雾”）和导演术语（“缓慢推轨”“黄金时刻轮廓光”）。它不会渲染模糊的形容词（“电影感”“史诗感”“惊艳”）。写镜头调度，而不是描述氛围。

能力一览

模式	输入	用途
文本生成视频（T2V）	仅提示词	从零生成场景
图像生成视频（I2V）	1 张起始图像 + 提示词	为现有静帧添加动画
首尾帧	2 张图像（first_frame+last_frame）+ 提示词	控制转场 / 揭示 / 前后变化
参考生成视频（R2V）	1–9 张图像 + ≤3 个视频 + ≤3 段音频（最多 12 个文件）+ 提示词	保持角色 / 风格 / 动作 / 物体一致性、语音和“全能”构图
多镜头	包含镜头列表 / 时间线的提示词	在一次 15s 生成中创作短篇叙事（最多约 6 个镜头）
视频延长	先前的片段 + 提示词	通过串联延长超过 15s 的视频

**原生规格：**原生支持 480p/720p（托管平台支持 1080p 和原生 4K），时长 4–15s，24 fps，宽高比为 auto, 21:9, 16:9, 4:3, 1:1, 3:4, 9:16。音频默认开启（generate_audio: true），不额外收费。完整规格、访问方式、模型 ID、定价和原始 API 请求格式，请参阅 references/access-and-specs.md——用户询问如何调用 / 访问模型或需要确切限制时，请阅读该文件。

通用提示词公式

顺序很重要：模型从左向右读取，并对前面的内容赋予最高权重。最前面的 2–3 条指令通常能可靠执行；要求超过约 8 条后，遵循度会下降。把主体和动作放在最前面。

[Subject] + [Action] + [Environment] + [Camera] + [Lighting] + [Style] + [Constraints]

• 主体 — 谁 / 什么，具体描述材质 / 年龄 / 服装
• 动作 — 一个明确的动作，使用现在时（复合编排会导致“融化”）
• 环境 — 地点、时段、天气
• 摄像机 — 一个主要运动 + 景别（参见下方规则）
• 光线 — 最具影响力的单一要素；务必明确写出
• 风格 — 2–3 个具名参照（导演 / 胶片类型 / 运动），切勿使用模糊形容词
• 约束 — 需保持固定的内容，以及时长和宽高比

单镜头提示词目标为 60–100 个英文单词（硬上限约 3000 个字符；超过约 150 个英文单词后，模型会开始取各要求的平均值）。使用自然、直接的导演式文字，而不是关键词列表。

示例：

“一位身穿黄色雨衣、饱经风霜的渔民正把渔网拉过一艘小木船的船舷。灰色的波涛汹涌的大海，黎明时分，细雨飘落。摄像机从水面高度缓慢跟拍，轻轻升起。阴云间透出强烈的轮廓光，低饱和度青绿色调，35mm 胶片颗粒。水的重量感和绳索的张力逼真，双脚稳稳站立。8 秒，16:9。避免抖动和肢体弯折。”

不可妥协的规则（影响最大的几条）

1. 每个镜头只用一种主要摄影机运动。“缓慢推进”✅。同时叠加摇摄 + 变焦 + 轨道移动 + 手持❌ → “一锅粥”。
2. 不要在同一个分句中混写摄影机运动和主体运动。✅“舞者缓慢旋转。摄影机固定取景。”❌“摄影机围绕跳舞的人旋转”→ 画面抖动。
3. **明确写出灯光。**如果只添加一项来改善提示词，就添加灯光描述。
4. **描述物理特性，而非形容词。**描述重量、摩擦、冲击、布料／流体的运动。绝不要只写“快”（质量杀手第 1 名）——要限定节奏（“缓慢、平滑、渐进”），并且只将速度用于一个元素。
5. 具体风格锚点胜过模糊词语。“Wes Anderson 式对称构图，35mm Kodak 胶片颗粒”✅。“美丽、电影感、史诗感”❌。
6. 使用参考素材的提示词或多镜头提示词中，明确写出保持一致的要素，否则角色／服装会发生漂移。
7. 多镜头时，节拍数要与时长匹配：约每 5 秒 2–3 个节拍，10 秒 4 个节拍，15 秒 5–6 个节拍。每个节拍包含一个动作 + 一种摄影机运动。

以上规则，加上完整的摄影机／运动／风格／多镜头／负面提示词词汇以及 10 个完整示例提示词，都收录在 references/prompting.md 中——编写任何较复杂的提示词、摄影机调度、多镜头分镜，或调试输出瑕疵时，请阅读该文件。

参考素材标注基础

附加任何图像／视频／音频时，都要在提示词正文中用 @Image1、@Video1、@Audio1（按输入顺序编号）标注，并且始终说明每个参考素材控制什么——身份、摄影机运动、风格还是音频。模糊地写“参考 @Video1”是最常见的失败原因之一。

• ✅“@Image1 中留着深色卷发的女人沿着霓虹街道行走；仅参考 @Video1 的摄影机运动；背景音乐来自 @Audio1。”
• ❌“女人，@Image1，跳舞，@Video1，日落，4k。”（关键词堆砌 + 未说明参考素材的用途）

不能上传真实人脸作为直接参考素材（反深度伪造政策）——请使用虚拟肖像或已登记的素材库（asset://<ID>）。参考模式、角色一致性工作流（参考素材包）、风格迁移、图像规格、起始帧／首尾帧机制以及片段续接，都收录在 references/references-and-frames.md 中——涉及参考素材、起始帧、关键帧或跨镜头一致性时，请阅读该文件。

音频基础

音频会在同一轮生成中原生生成并与画面同步。请在提示词正文中引导音频（没有音量参数）：

• 对白——用双引号括起台词，并保持简短（每 10 秒约 12 个词／每 15 秒约 20 个词，否则口型同步会漂移）：The man leans in and says: "Remember this moment."。随后添加语气：dry, a little proud。
• 音效——注明声源 + 材质；也可以标注时间戳：SFX: boots on wet cobblestone; thunder crack at 3s。
• 音乐／环境音——写一段简短的“声音说明”：Audio: low acoustic guitar, distant rain, no voiceover。
• 抑制不想要的配乐——开放式提示词默认会配上“汽车广告”风格的音乐背景；请写明字面短语 no music（或者，要完全静音时写 silent, no dialogue, no ambient, no audio of any kind）。

对白语法、口型同步条件、参考音色克隆（@Audio）、支持的语言、generate_audio 开关、混音优先级和限制，都收录在 references/audio.md 中——视频需要对白、音效、音乐或语音控制时，请阅读该文件。

工作流

1. 明确意图 — 主体、动作、情绪、时长、宽高比；是否有参考图像／帧／音频？
2. 根据能力表选择模式。
3. 使用通用公式起草提示词；遵守不可妥协的规则；阅读相关参考文件以了解详情。
4. 使用 @ 标签添加参考素材／音频，并明确说明各自的用途（如有）。
5. 建议迭代路径 — 先在 Fast 档位中制作较短的草稿（5s），测试可信度，再在标准档位中完成较长版本。提示词的细微修改可能造成明显变化，因此每次只改一处。
6. 如果用户正在调用 API，请从 references/access-and-specs.md 获取准确的模型 ID／请求格式。

需要提前说明的主要限制

每次生成最长为 15s；复杂的多人场景中，动作／物理效果可能出错；画面中的文字渲染效果较差（请后期添加文字）；长片段或拥挤片段中的角色身份可能发生漂移；非英语口型同步效果较弱；多说话人同步仍是未解决的问题；不支持 LoRA／微调（封闭，仅限 API）。IP 保护措施会拦截真实人脸参考以及涉及名人／商标名称的提示词。详情请见 references/access-and-specs.md。